Lecture 09 Learning rules contd 2021 08 31 at 01 34 GMT 7

Valeur des informations & solidité de l’argumentation

La valeur informative de cette séance réside dans l’articulation entre un exercice géométrique concret et la présentation formelle des règles d’apprentissage. L’enseignant ne se contente pas d’énoncer des formules : il construit pas à pas la région de décision en explicitant chaque valeur nette, chaque condition d’activation et chaque frontière linéaire. Cette méthode permet de visualiser comment un réseau multicouche partitionne l’espace d’entrée, ce qui constitue une compétence fondamentale pour comprendre les classifieurs linéaires. L’argumentation est rigoureuse : les calculs sont posés explicitement (net5 = o1+o2+o3+o4-3,5 ; net1 = x1-1 ; net2 = -x1+2 ; net3 = x2 ; net4 = -x2+3), et les conclusions en découlent logiquement. La transition vers la règle de Widrow-Hoff est également bien argumentée : en substituant une activation linéaire dans la règle delta, on retrouve l’expression de la règle LMS, ce qui montre la filiation entre les deux. L’enseignant précise d’ailleurs que Widrow-Hoff est historiquement antérieure à la règle delta, ce qui témoigne d’une certaine honnêteté intellectuelle. La présentation des architectures ADALINE et MADALINE, ainsi que la distinction entre apprentissage supervisé et non supervisé, complètent utilement le propos. On peut toutefois regretter l’absence de démonstration mathématique complète de la convergence de la règle LMS, et le traitement très succinct de la règle de corrélation. L’argumentation reste cependant solide et pédagogiquement efficace.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique du contenu est bonne : les notions présentées (règles de Hebb, perceptron, delta, Widrow-Hoff, ADALINE, MADALINE) sont conformes aux définitions classiques de la littérature. Les formules sont correctes et les calculs vérifiables. Cependant, aucune source bibliographique n’est citée, ni dans la description ni dans le transcript. L’enseignant mentionne les noms de Widrow et Hoff, ainsi que les architectures ADALINE et MADALINE, mais sans fournir de références précises (articles fondateurs, ouvrages). Cette absence de traçabilité limite la possibilité pour l’auditeur d’approfondir ou de vérifier les affirmations. L’adéquation titre/contenu est correcte : le titre annonce la suite des règles d’apprentissage, et le contenu traite effectivement de Widrow-Hoff et de la règle de corrélation, après un exercice d’application. Le titre est toutefois peu informatif (numéro de séance, date), ce qui ne permet pas d’identifier précisément les sujets abordés. Aucun commentaire n’étant fourni, aucune analyse des tendances du public n’est incluse.

Le titre annonce la suite du cours sur les règles d'apprentissage ; le contenu correspond bien à cette thématique, avec un exercice de classification géométrique en introduction puis la présentation des règles de Widrow-Hoff et de corrélation.

7/10

Contenu pédagogique classique sur les réseaux de neurones artificiels, cohérent avec la littérature académique standard (règles de Hebb, perceptron, delta, Widrow-Hoff/LMS). Aucune source externe citée, mais les notions présentées sont exactes et vérifiables dans tout manuel de référence. Absence de bibliographie et de références explicites limite la note.

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

• 00:00Rappel des fonctions d'activation : linéaire, seuil, sigmoïde, logistique, tanh, ReLU, leaky ReLU, paramétrique ReLU.
• 00:30Énoncé du problème : trouver la région du plan (x1, x2) où le réseau produit +1.
• 02:00Description de l'architecture : deux couches, quatre neurones en couche 1, un neurone en couche 2, entrée (x1, x2, -1).
• 05:00Calcul de la valeur nette du neurone de sortie : net5 = o1+o2+o3+o4 - 3,5.
• 07:00Condition d'activation du neurone de sortie : somme des sorties de la couche 1 > 3,5.
• 10:00Analyse du neurone 1 : net1 = x1 - 1, activation si x1 ≥ 1.
• 13:00Analyse du neurone 2 : net2 = -x1 + 2, activation si x1 < 2.
• 16:00Analyse du neurone 3 : net3 = x2, activation si x2 > 0.
• 19:00Analyse du neurone 4 : net4 = -x2 + 3, activation si x2 < 3.
• 22:00Combinaison des quatre conditions : région rectangulaire où le réseau produit +1.
• 25:00Application pratique : classification de deux objets (fichier vs effaceur) à partir de deux caractéristiques.
• 28:00Introduction de la règle de Widrow-Hoff comme cas particulier de la règle delta avec activation linéaire.
• 30:00Présentation des architectures ADALINE (un neurone) et MADALINE (plusieurs neurones).
• 35:00Règle de corrélation : variante supervisée de la règle de Hebb, utilisée dans les réseaux de mémoire.
• 38:00Transition vers l'apprentissage non supervisé et clôture de la séance.